电商零售行业1--用户消费行为分析

数据源说明

数据来源：某网公开数据[已脱敏]，[某店铺活动后18个月的用户消费行为跟踪]，如有侵权，请联删除，感谢！

---

项目背景

字段含义

user_id:用户ID，
order_dt:购买日期，
order_products:购买产品数量,
order_amount:购买金额
数据时间：1997年1月~1998年6月用户行为数据，约6万条

数据总结

# 1. 整体趋势：按年的月份趋势销量和销售额在1-3月份相对较高，然后骤降，原因可能和这段时间的大力促销或 与商品的季度属性相关
# 2. 用户个体特征：每笔订单的金额和商品购买量都集中在区间的低段水平，都是小金额小批量进行购买，此类交易群体，可在丰富产品线和增加促销活动提高转换率和购买率
# 3. 大部分用户的消费总额和购买总量都集中在低端，长尾分布，这个跟用户需求相关，可以对商品进行多元文化价值的赋予，增强其社交价值属性，提高用户的价值需求
# 4. 用户的消费周期：有二次以上消费的用户，平均68天，所以在50天到60天期间，应该对这批用户进行刺激召回，细致点，比如10天回复满意度，30天发放优惠券，55天的时候提醒优惠券的使用
# 5. 用户的生命周期：有二次及以上消费的用户的平均生命周期是276天。用户的生命周期分别在20天内与400至500天间，应该在20天内对客户进行引导，促进其再次消费并形成消费习惯，延长其生命周期；在100至400天的用户，也要根据其特点推出有针对性的营销活动，引导其持续消费
# 6. 新客户的复购率约为12%，老客户的复购率在20%左右；新客户的回购率在15%左右，老客户的回购率在30%左右，需要营销策略积极引导其再次消费及持续消费
# 7. 用户质量：用户个体消费有一定规律性，大部分用户的消费集中在2000以下，用户消费反映了2/法则，消费排名前20%的用户贡献了80%的消费额。所以说，狠抓高质量用户是万古不变的道理，这些高质量客户都是“会员”类型，需要专门为会员优化购物体验，比如专线接听、特殊优惠等。

方法总结

# 1. 针对用户进行按照月份做整体和个体分析，主要分析维度是人数，消费金额，购买量
# 2. 消费分析：首购时间，最后一次购买时间，相邻两个购物时间的间隔，用户分层（RFM模型+数据透视表）,分析维度主要是新用户，活跃用户，不活跃用户流失分析，回流用户占比
# 3. 复购率和回购率进行分析

---

导入包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime
%matplotlib inline
plt.style.use('ggplot')  #更改绘图风格，R语言绘图库的风格
plt.rcParams['font.sans-serif'] = ['SimHei']

---

数据处理

导入数据

columns = ['user_id','order_dt','order_products','order_amount']
df = pd.read_table('CDNOW_master.txt',names=columns,sep='\s+') 
df.head()

1.日期格式需要转换
2.存在同一个用户一天内购买多次行为

df.describe()

#1.用户平均每笔订单购买2.4个商品，标准差2.3，稍微有点波动，属于正常。然而75%分位数的时候，说明绝大多数订单的购买量都不多，围绕在2~3个产品左右；
#2.购买金额，反映出大部分订单消费金额集中在中小额，30~45左右

df.info()

# 共 69659 条
# 初步判断：数据无缺失值

---

数据探索可视化

数据预处理

df['order_date'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')
df['month'] = df['order_date'].astype('datetime64[M]')
df.head()

用户整体消费分析

# 用户整体消费趋势分析（按月份）
plt.figure(figsize=(20,15)) #单位时英寸
# 每月的产品购买数量
plt.subplot(221) 
df.groupby(by='month')['order_products'].sum().plot() 
plt.title('每月的产品购买数量')
plt.subplot(222) 
df.groupby(by='month')['order_amount'].sum().plot()  
plt.title('每月的消费金额')
plt.subplot(223)
df.groupby(by='month')['user_id'].count().plot()  
plt.title('每月的消费次数')
# 每月的消费人数（根据user_id进行去重统计，再计算个数）
plt.subplot(224) 
df.groupby(by='month')['user_id'].apply(lambda x:len(x.drop_duplicates())).plot()  #默认折线图
plt.title('每月的消费人数')

# 图一可以看出，前